Mengapa Inferensi Adalah Kunci untuk Mewujudkan Potensi Penuh Data
Memanfaatkan kemampuan inferensi grafik pengetahuan, organisasi dapat memperkirakan koneksi data baru dan menjelaskan koneksi baru yang mereka buat.
Transformasi digital adalah hal yang populer, dan dalam banyak kasus, tujuan transformasi digital adalah memperlakukan data seperti aset. Dalam beberapa kasus, itu berarti memonetisasi data, dan dalam kasus lain, tujuannya adalah untuk memanfaatkan data secara lebih efisien guna memperoleh wawasan guna membuat keputusan yang lebih baik. Namun, pada kenyataannya, keduanya sulit dicapai. Transformasi digital menuntut wawasan yang cepat dari data yang semakin hibrid, bervariasi, dan berubah, tetapi platform integrasi data tradisional tidak dirancang untuk lingkungan saat ini. Akibatnya, organisasi tidak dapat lagi mengikuti kompleksitas data yang berkembang, mereka juga tidak dapat mengidentifikasi hubungan dan koneksi tersembunyi antara data untuk mengungkap peluang baru. Yang semakin dibutuhkan adalah kemampuan inferensi yang memungkinkan perusahaan menyatukan kumpulan data yang berbeda dan menganalisisnya untuk mendapatkan wawasan.
Mendorong pertumbuhan dan inovasi di dunia yang kompleks saat ini dengan pengambilan data tanpa akhir hanya dimungkinkan jika tim TI dapat membebaskan diri dari struktur data yang kaku dan gaya integrasi yang ketinggalan zaman.
Kelincahan adalah kunci kesuksesan bisnis, dan perusahaan sangat ingin membuat data dapat digunakan saat dibutuhkan, bukan untuk jawaban besok atau minggu depan, tetapi untuk saat ini.
Tetapi untuk menurunkan nilai yang belum dimanfaatkan membutuhkan kemampuan untuk menghubungkan data berdasarkan makna bisnisnya, terlepas dari format, sumber, atau teknologi yang mendasarinya. Banyaknya data yang berasal dari pembelajaran mesin dan sumber lain memerlukan kemampuan untuk mengaitkan informasi terkait yang disimpan dalam sumber yang berbeda dan kemudian menerapkan jaringan hubungan yang kaya untuk menemukan asosiasi baru. Ini adalah kunci untuk mewujudkan janji transformasi digital. Tapi bagaimana cara mencapainya?
Berpindah dari premis ke konsekuensi logis:Bagaimana datafabrics menyediakan inferensi yang diperlukan
Organisasi saat ini mengadopsi pendekatan integrasi modern seperti struktur data untuk mendukung proyek dan produk kolaboratif lintas fungsi dan menghindari alur kerja reaktif. Menyatukan data dari silo internal dan sumber eksternal, mereka menciptakan jaringan informasi untuk mendukung aplikasi bisnis, Al, dan analitik. Sederhananya, mereka mendukung seluruh perusahaan yang kompleks saat ini dengan menciptakan hubungan antara informasi yang disimpan dalam sumber yang berbeda.
Grafik pengetahuan merupakan bagian integral dari struktur data yang efektif karena membuat jaringan informasi yang dapat digunakan kembali, mewakili data dari berbagai struktur, dan mendukung banyak skema. Menciptakan pemahaman semantik tentang data perusahaan dan pihak ketiga, grafik pengetahuan berfungsi sebagai inti dari struktur data– memperkaya dan mempercepat investasi yang ada dan menyediakan akses penting ke wawasan bisnis. Lebih penting lagi, grafik pengetahuan mengubah data menjadi pengetahuan dunia nyata yang dapat dipahami mesin yang mendukung perubahan situasional, sehingga makna berubah tergantung pada keadaan. Setelah dibuat, grafik pengetahuan juga menggunakan jaringan hubungan yang kaya ini untuk menemukan asosiasi baru dalam data. Hubungan yang disimpulkan ini menciptakan tampilan data perusahaan yang lebih kaya dan lebih akurat.
Dengan menyediakan asosiasi berlapis di antara konsep, grafik pengetahuan memberikan pemahaman yang bernuansa sehingga organisasi yang digerakkan oleh pengetahuan dapat mengidentifikasi penemuan baru. Grafik pengetahuan juga menyediakan konteks yang sering hilang dari data karena grafik pengetahuan dibuat untuk mendukung sifat pengetahuan yang berfluktuasi. Hasilnya adalah fondasi yang lebih fleksibel untuk operasi digital karena teknologi dengan mudah menerima data, definisi, dan persyaratan baru.
Model data grafik pengetahuan, sering disebut ontologi atau kosa kata, menjabarkan hubungan umum antara entitas dan memungkinkan perusahaan untuk menggambarkan domain yang kompleks. Pertimbangkan obat-obatan sebagai contoh. Untuk mengembangkan terapi baru, perusahaan farmasi harus memiliki akses ke banyak fakta, konstruksi pemodelan, dan aturan bisnis, yang semuanya harus berinteraksi satu sama lain untuk menyiratkan koneksi baru. Kemampuan inferensi inilah yang memungkinkan produsen untuk menghubungkan orang ke infrastruktur melalui aplikasi yang mereka gunakan. Ini juga membantu mereka untuk menerapkan kontrol berdasarkan kesamaan insiden baru dengan insiden masa lalu dan menemukan hubungan yang disimpulkan antara penyelidik dan area terapeutik berdasarkan kondisi yang sedang diselidiki dalam studi. Dan daftarnya terus berlanjut.
Menerapkan beberapa model data ke struktur data pada saat yang sama memungkinkan organisasi untuk mendukung beberapa aplikasi yang memerlukan interpretasi berbeda dari data yang sama. Pendekatan integrasi data tradisional seperti data lake atau gudang data terbatas dalam kapasitas ini, karena menyulitkan untuk mendukung lebih dari satu skema. Inilah salah satu alasan perusahaan harus terus membuat silo data baru untuk setiap aplikasi, proyek, atau analisis baru. Pendekatan seperti itu mengurangi kemampuan untuk melakukan analisis inferensi.
Mengaktifkan komponen tambahan perusahaan yang terhubung dari struktur data yang sukses
Memanfaatkan kemampuan inferensi grafik pengetahuan, organisasi tidak hanya mengekstrapolasi koneksi data baru tetapi juga menjelaskan koneksi baru yang dibuatnya. Berbeda dengan sistem rekomendasi kotak hitam, yang tidak dapat memberikan penjelasan atau alasan apa pun untuk hasilnya, grafik pengetahuan dapat menjelaskan semua kesimpulan dan hasil dalam hal data, skema, dan aturan bisnis. Transparansi penjelasan ini memungkinkan pengguna untuk meninjau bagaimana grafik pengetahuan sampai pada jawaban dan logika bisnis yang dirujuk untuk melakukannya. Ini tidak hanya penting untuk memberikan hasil dan akuntabilitas yang tepercaya dalam organisasi, tetapi juga diperlukan untuk persyaratan hukum dan peraturan tertentu.
Sementara grafik pengetahuan adalah bahan utama dari struktur data, itu bukan satu-satunya yang dibutuhkan organisasi untuk menjadi sukses. Struktur data yang efektif memerlukan pemanfaatan dan penyambungan sistem sumber yang ada. Ini juga membutuhkan kemampuan untuk terhubung ke katalog data yang ada, data lake, database, dan platform manajemen data lainnya. Untuk penerapan struktur data, memanfaatkan pekerjaan yang diselesaikan dalam katalog data adalah kunci untuk mempercepat penemuan data dan pengayaan semantik. Dengan menggunakan katalog data sebagai input, grafik pengetahuan membangun peta data aset data perusahaan yang selanjutnya mempercepat pembuatan struktur data melalui pembelajaran otomatis sebagian dan otomatis -pemetaan sumber yang ada.
Membuat model data di seluruh perusahaan adalah pertanyaan umum lainnya tentang penerapan kain data. Banyak yang berpikir ini adalah prasyarat yang berpotensi mahal dan memakan waktu untuk inisiatif, tetapi, pada kenyataannya, mereka hanya perlu mendefinisikan banyak konsep yang diperlukan untuk kasus penggunaan awal mereka. Mulailah dengan mengidentifikasi masalah bisnis yang kritis untuk mempelopori inisiatif data fabric yang lebih luas. Dekati data fabric dengan pola pikir MVP dan fokus hanya pada jumlah minimal pekerjaan yang diperlukan untuk mencapai tujuan bisnis pertama.
Organisasi dari semua ukuran menempatkan fokus dan investasi yang lebih besar pada transformasi digital. Terlepas dari perhatian baru ini, tantangan data fundamental tetap menjadi kendala utama. Transformasi digital membutuhkan penguasaan data dan berkat warisan TI bukanlah hal yang mudah untuk dicapai. Ada terlalu banyak hal untuk dikelola:format data, standar, tipe data, kecepatan, skema, sistem, database, silo, metodologi, model, dll. Keragaman ITlandscape perusahaan modern sangat menakutkan.
Memanfaatkan pendekatan modern dari grafik pengetahuan, organisasi tidak hanya dapat menghubungkan data internal mereka dengan cara baru yang bermakna, tetapi mereka juga dapat menemukan fakta dan hubungan tersembunyi melalui kesimpulan yang tidak dapat ditangkap dalam skala besar. Dengan menangkap makna bernuansa yang mungkin dimiliki oleh unit bisnis yang berbeda untuk entitas yang sama, organisasi dapat menciptakan fondasi digital yang dapat digunakan kembali yang menjaga ruang dengan perubahan berkelanjutan di pasar dan bersiap untuk apa pun yang akan datang.
